基于粒子滤波和点线相合的未知环境地图构建方法

针对粒子滤波处理未知环境地图构建时存在存储空间负荷高、计算量大的问题, 本文使用线段特征描述环境信息, 将点线相合的增量式地图构建方法引入粒子滤波中. 在每个粒子中保存对已构建线段特征地图的假设; 使用点线相合的位姿估计算法将观测信息引入重要性函数, 确定采样空间; 通过观测信息与已构建线段特征地图之间的相合关系更新粒子权重; 最后通过选择性重采样去除因匹配不当和误差积累产生的错误地图. 分析表明, 该算法的复杂度较低. 在真实传感器数据上的实验结果验证了该算法构建室内环境地图的有效性和鲁棒性. 算法所需存储空间和粒子数远小于现有粒子滤波地图构建方法.     

基于激光测距的环境地图动态创建技术研究

本文主要研究完全未知结构化环境下的移动机器人二维地图构建与标图技术。本文以激光测距仪为环境探测传感器,采用几何特征法创建地图。对局部地图创建中的区域分割方法进行了改进,提出了基于线性阈值法的区域分割方法;给出了基于相关线段和线段缓冲区的全局地图创建方法。实验结果表明：本方法实现了基于实时的激光测距数据的局部地图动态创建和全局地图的实时更新,算法有效且可行。     

基于线段特征匹配的EKF-SLAM算法

针对EKF-SLAM算法在机器人被“绑架”时失效的问题,提出一种新的基于线段特征匹配的EKF-SLAM算法——EKFLineSLAM算法.该算法在线段特征观测模型和改进的基于逐点搜索的线段提取算法的基础上,将线段特征匹配引入EKF-SLAM算法,并对线段长度和姿态角进行EKF更新,创建环境的线段特征地图.在未知室内结构化环境中,将该算法与弱匹配EKFLineSLAM算法进行比较,验证了EKFLineSLAM算法在结构化环境中克服机器人“绑架”问题的可行性和有效性.     

基于激光传感器的移动机器人地图创建研究

主要研究了室内自主移动机器人基于激光传感器在未知环境下的地图创建的问题.分析了目前地图创建的方法,采用一种"聚合-分割-聚合"的方法提取线段用以表示环境信息,分为区域分割、线段提取和线段拟合三步骤.在区域分割和线段提取中提出动态阈值的方法,使得分割更为精确,能在较短的时间内获得一个精确的地图,最后采用最小二乘线段拟合方法获得线段参数.通过与当前全局地图比较,创建和更新全局地图.     

基于点线相合的机器人增量式地图构建

提出基于测量数据点和已构建地图线的最佳相合性增量式构建未知环境地图的方法,将机器人地图构建过程分解为局部地图构建、机器人位姿估计和地图合并3个循环步骤,在局部地图构建中,采用哈夫变换拟合、同线性判断和最小二乘拟合相结合的方法从测量数据点中拟合得到局部线段集合,在位姿估计时,首先利用点线匹配寻找测量数据和已构建地图之间的匹配关系,然后通过去除不当匹配和引入加权矩阵来减小测量误差和已构建地图中的不确定性对位姿估计的影响,最后利用加权最小二乘法估计机器人的位姿,使得匹配部分达到最佳相合,同时提出虚拟线和虚拟点的方法解决由伪相合条件所引起的错误位姿估计问题,实验结果证明了算法的有效性和鲁棒性,适于构建室内环境地图。     

基于信息势能的鲁棒估计器及其在同时定位与地图构建问题中的应用

提出了一种基于信息势能鲁棒估计器来解决机器人室内的同时定位与地图构建（SLAM）问题．结构化的室内环境可以用线段近似表示．然而动态环境中,测距传感器测得的数据通常湮没在大量的噪声信号中．本文采用“分割与合并”（split—and．merge）方法进行线段的分类,根据信息势能的性能指标衡量每个采样数据对该线段的信息贡献量．按照信息优化理论设计估计器,选择信息量贡献大的样本点作为信息内点提取线段参数,构建局部地图．采用粒子滤波器进行地图及机器人路径的更新．采用递推的方法估计信息势能,降低了对样本点的信息量贡献做估计时的复杂度．仿真和实验结果证明,本文所提出的方法具有较强的鲁棒性,提高了SLAM策略的准确性和实时性．     

PLP-SLAM:基于点、线、面特征融合的视觉SLAM方法

基于点特征的视觉SLAM(同时定位与地图构建)算法存在计算量大、环境存储空间负荷高、定位误差较大的问题,为此,提出了一种基于点、线段、平面特征融合的视觉SLAM算法——PLP-SLAM.在扩展卡尔曼滤波(EKF)框架下,首先利用点特征估计机器人当前位姿,然后构建了基于点、线、平面特征的观测模型,最后建立了带平面约束的线段特征数据关联方法及系统状态更新模型,并利用线段和平面特征描述环境信息.在公开数据集上进行了实验,结果表明,本文PLP-SLAM算法能够成功完成SLAM任务,平均定位误差为2.3 m,优于基于点特征的SLAM方法,并通过基于不同特征的SLAM实验表明了本文提出的点、线、面特征融合的优越性.     

面向室内动态环境的半直接法RGB-D SLAM算法

为了解决室内动态环境下移动机器人的准确定位问题,提出了一种融合运动检测算法的半直接法RGB-D视觉SLAM(同时定位与地图创建)算法,它由运动检测、相机位姿估计、基于TSDF (truncated signed distance function)模型的稠密地图构建3个步骤组成.首先,通过最小化图像光度误差,利用稀疏图像对齐算法实现对相机位姿的初步估计.然后,使用视觉里程计的位姿估计对图像进行运动补偿,建立基于图像块实时更新的高斯模型,依据方差变化分割出图像中的运动物体,进而剔除投影在图像运动区域的局部地图点,通过最小化重投影误差对相机位姿进行进一步优化,提升相机位姿估计精度.最后,使用相机位姿和RGB-D相机图像信息构建TSDF稠密地图,利用图像运动检测结果和地图体素块的颜色变化,完成地图在动态环境下的实时更新.实验结果表明,在室内动态环境下,本文算法能够有效提高相机位姿估计精度,实现稠密地图的实时更新,在提升系统鲁棒性的同时也提升了环境重构的准确性.     

室内环境下基于平面与线段特征的RGB-D视觉里程计

针对室内环境的结构特点,提出一种使用平面与线段特征的RGB-D视觉里程计算法．首先根据RGB-D扫描点的法向量对3D点云进行聚类,并使用随机抽样一致（RANSAC）算法对每簇3D点集进行平面拟合,抽取出环境中的平面特征;随后利用边缘点检测算法分割出环境中的边缘点集,并提取出环境中的线段特征;然后提出一种基于平面与线段几何约束的特征匹配算法,完成特征之间的匹配．在平面与线段特征匹配结果能提供充足的位姿约束的条件下,利用特征之间的匹配关系直接求解RGB-D相机的位姿;若不能,则利用匹配线段的端点以及线段点集来实现RGB-D相机位姿的估计．在TUM公开数据集中的实验证明了选择平面与线段作为环境特征可以提升视觉里程计估计和环境建图的精度．特别是在fr3/cabinet数据集中,本文算法的旋转、平移的均方根误差分别为2.046°/s、0.034m/s,要显著优于其他经典的视觉里程计算法．最终将本文系统应用到实际的移动机器人室内建图中,系统可以建立准确的环境地图,且系统运行速度可以达到3帧/s,满足实时处理的要求．     

基于激光雷达的移动机器人定位和地图创建

针对未知环境下移动机器人定位和地图创建问题,提出了创建局部地图-机器人定位-更新全局地图的方法和步骤.利用激光雷达数据,采用"聚合-分割-聚合"的方法并运用动态阈值获得精确的局部地图.通过匹配局部地图和全局地图的线段关系,实现了机器人的定位,更新了机器人的位姿,减少了机器人的系统误差和环境误差,进而完成了全局地图的创建与更新.实验证明,此算法可以在实现机器人定位的同时获得精确的环境地图,并且有效的缩短了地图生成时间,可靠性高、实时性好.